Erkennungsgenauigkeit

Erkennungsgenauigkeit bezeichnet den Anteil der korrekt erkannten bzw. identifizierten Beispiele in einem Erkennungssystem über eine definierte Testmenge. Sie ist eine zentrale Leistungskennzahl in Aufgaben der Mustererkennung, Spracherkennung oder biometrischer Verifikation.

Die gängigste Größe ist die Genauigkeit, definiert als die Anzahl korrekter Vorhersagen geteilt durch die Gesamtzahl der Beispiele. In binären Problemen lautet sie (TP+TN)/(TP+FP+FN+TN); bei Multiclass-Ansätzen entspricht sie der Quote korrekter Vorhersagen. Oft werden zusätzlich Präzision, Recall, F1-Score, ROC-AUC genutzt, besonders bei unausgeglichenen Klassen.

Bei biometrischen Systemen stehen zudem Fehlerarten wie False Acceptance Rate (FAR) und False Rejection Rate (FRR) im Fokus; der Trade-off wird häufig durch die Equal Error Rate (EER) angegeben. Die Validierung erfolgt üblicherweise mit getrennten Testdaten oder über Kreuzvalidierung, wobei Reproduzierbarkeit und Vergleichbarkeit wichtig sind.

Wichtige Einflussfaktoren sind die Qualität der Daten, Variation in Licht, Hintergrund, Pose, Lautstärke oder Sprache, sowie Architektur des Modells, Umfang der Trainingsdaten und Regularisierung. Bias, Datendrift und Datenschutzaspekte können die Erkennungsgenauigkeit ebenfalls beeinflussen.

Eine realistische Beurteilung erfordert oft mehrere Metriken und domänenspezifische Anforderungen. Zur Verbesserung der Genauigkeit dienen größere und vielfältigere Datensätze, Datenaugmentation, ausgewogene Stichproben, bessere Merkmalsextraktion, Transferlernen und geeignete Regularisierungstechniken.